Введение. Надежность работы машин во многом зависит от точности прогноза напряженно-деформированного состояния деталей трибофатических систем, особенно при высоких эксплуатационных нагрузках. Традиционные конечно-элементные расчеты обеспечивают высокую точность, однако характеризуются значительными вычислительными затратами и ограниченной возможностью быстрого варьирования параметров. В последние годы в инженерной практике все чаще применяются методы машинного обучения. Среди них нейронные сети представляют особый интерес, так как они позволяют описывать нелинейные зависимости между параметрами нагрузки и напряжениями, а также существенно ускоряют расчет по сравнению с традиционными моделями. Метод. Предложен подход к прогнозированию максимальных напряжений в системе «вал–вкладыш» с применением трехмерного конечно-элементного моделирования и последующего построения нейросетевой модели. Сформирована база данных, включающая результаты численных экспериментов при различных комбинациях изгибных и контактных нагрузок. Для обучения использовалась трехслойная полносвязная нейронная сеть с различными функциями активации каждого слоя. Выполнена оценка качества модели с помощью стандартных метрик Mean Squared Error, Mean Absolute Error и коэффициента детерминации R2. Основные результаты. Полученная нейронная сеть продемонстрировала высокую точность при прогнозировании максимальных напряжений как в вале, так и во вкладыше. Для обучающей выборки значение R2 составило 0,99991, а для тестовой — 0,99984, что подтверждает минимальные отклонения от данных конечно-элементных расчетов. Значение MAE составило менее 0,006, а максимальная относительная ошибка на тестовой выборке не превысила 3,2 %. Обсуждение. Разработанная нейросетевая модель показала способность к воспроизведению результатов конечно-элементного анализа для системы «вал–вкладыш», обеспечивая при этом значительное сокращение времени вычислений по сравнению с традиционным конечно-элементным моделированием. Модель построена для ограниченного диапазона нагрузок, поэтому дальнейшие исследования будут направлены на расширение исходного набора и включение новых материалов, что позволит оценить масштабируемость подхода и его устойчивость при усложнении условий.